一种端元可变的混合像元分解方法

波段上的平均光谱反射率; aij为像元内第 i 个波段
上第 j个组分的反射率; xj 为像元内第 j 个组分所占
的比例; ej 为第 i 个光谱波段的误差项; 假设一像元
内有 n 个组分 ( j = 1, 2, ,, n), 传感器系统的波段数
为 m ( i= 1, 2, ,, m )。此处需对方程加以限制, 即
像元混合模型归结为以下 5 种类型 [ 2] : 线性模 型、概率模型、几何光学模型、随机几何模型和模糊
分析模型。每种模型的差别在于: 在考虑混合像元 的反射率与端元的光谱特征和丰度之间的响应关系 的同时, 怎样考虑和包含其他地面特性和影像特征 的影响。线性模型是其中比较有代表性的, 特别是 对于成像通道数目较少, 光谱分辨率不高的情况下。 在像元分解中, 线性模型采用所有端元进行混合像 元分解, 但实际上大多数影像区域或混合像元只是 由全部影像端元中的几种所组成。因此, 如果在混 合像元分解过程中, 只由相关的影像端元进行分解, 相应地将提高分类的精度。关于混合像元选择性分 解中的端元 提取和 分解思 想, 已引 起了 较大的 关 注 [ 3~ 5] 。本文在线性模型基础上, 提出了一种端元 可变的混合像元分解, 通过结合像元的光谱信息和 空间信息, 动态调整相关端元进行混合像元分解。
第 8期
丛 浩等: 一种端元可变的混合像元分解方法
10 93
2 混合像元的线性分解
线性混合理论认为, 在任意波段上, 任意一个像
元的响应是该像元内各组分响应的线性和。因此,
像元第 i波段的反射率 Qi 可以表示为
n
E Qi =
( aij xj ) + ei
( 1)
j= 1
上式中, Qi 为包含一个或多个组分的像元在第 i 个
Abstrac t L inear p ixe l unm ix ing is a stra ightfo rw ard and effic ient approach to the spectra l decomposition of hype rspectra l remo te ly sensed scenes, wh ich invo lves only a sing le pix el w ith the same m ix ing propo rtions. In th is paper w e deve lop a m ethod o f selective endm em bers fo r pixe l unm ix ing. T he propo sed algor ithm com pares pixe l spectra l w ith endm em ber spectra l and take the ne ighbor ing p ixe l into account when se lecting the endm em ber m atr ix ( EM ). Exper im enta l resu lts show tha t the se lective endm em ber algorithm achieves im provem ent over conventiona l linear algor ithm s. K eywords se lec tive endm em be rs, m ixed p ixe,l rem ote sensing, im age classification
表 1 各类平均面积比 Tab. 1 Th e proportion of m ater ia ls
江水
湖泊
植被
城市
线性模型 0. 903 451 0. 113 482 - 0. 034 304 0. 022 614
端元可变 0. 933 118 0. 074 296
0
0
传统线性模型对混合像元进行无区别分解, 所 以每类端元对混合像元都表现出一定的贡献。而可
E E E E n
R
2 r
-
Rr 2 # n
R
2 t
-
2
Rt
( 4) 其中, n 为两光谱对应波段数。
得到最大 投影值 rmax和 相应 的端 元光谱 矢量
vm ax, vm ax作为与该像元相似性最高的端元光谱, 可为 M c的首选端元。如果把 rmax看作是端元 vmax对混合 像元 Q的贡献, 那么剩余端元对 Q的贡献可表示为
k= 1
( 8)
对整幅影像,比较 Tab. 2 The com par ison of RM SE
如: 如果是端元, 则权重为 3; 如果是混合像元, 则权 重为 1。考虑以 R t 为中心的 3 @ 3模板, R t 周围的 8 个邻近像元含有各自端元水平。可以认为, 这 8个
像元对 R t 的影响大致相当。因此, 累加这 9个像素 的某端元权重, 即表现为该端元对 R t 的贡献。如果 端元的权重达到某门限值 X, 即可认为该端元是 R t 的入选端元。
10 94
中国图象图形学报
第 11卷
图 1 原始影像 F ig. 1 O r ig ina l image
分数 )变化后的特征值分布转折点的情况大致确 定 [ 6] 。在遥感图像处理软件平台 ENV I下对原始数 据进行了 MNF 处理, 得到特征值如图 2。
图 2 M NF 变化后的特征值 F ig. 2 T he e igenva lue after MN F transform
对分解后的误差进行分析, 如误差大于阈值 W,
则说明该像元分解不完全, 应增加端元个数, 此时,
在已排除的端元中, 逐步增加权重相对较大的端元,
直到误差小于 W。
4实 验
根据算法描述, 在 VC610下实现了端元可变的 混合像元分解功能。图 1是 1998年 10月获取的武 汉地区的 TM 影像。
影像中的端元数目可以由影像 MNF ( 最小噪声
1引 言
遥感获取影像的方式通常是将连续的地表分成 不连续的像元, 受传感器的空间分辨率及地面复杂 多样性的影响, 遥感影像中像元很少是由单一均匀 的地表覆盖类组成。因此, 影像中存在大量的混合 像元, 混合像元的光谱特征是几种地物光谱的混合 反映。利用光谱混合分解技术, 能够得到混合像元 内部各单成分物质元素 ( 组分 ) 占像元的百分含量 ( 丰度 ) , 从而得到更为精确的分类图像。混合像元 分解是高光谱遥感应用的关键问题之一 [ 1 ] 。
区域, 两种方法分类的结果在区域和数值上基本相 同, 但对于是混合像元的区域, 图 3明显好于图 4, 尤其表现在 4幅分类影像上。在利用端元可变方法
第 8期
丛 浩等: 一种端元可变的混合像元分解方法
10 95
得到的结果影像上不含有该类端元的区域值为 0, 而线性模型得到的值不为 0。在图 3( a) 的高亮区 ( 长江 ) 随机选择了 400个点, 统计各类平均面积比 如表 1所示。
应值。
实验结果表明, 某些混合像元即使只经过一次
迭代, Qr就满足中止条件。这是由于选取的端元光 谱矢量 之间 是 非正 交的。因此, 将 式 ( 5 ) 调整 为
式 ( 7) , 可较好地满足实际情况。
Qr = Q- 0. 5rmax vmax
( 7)
以上是端元光谱信息的判断和选择过程, 考虑
到地面、大气环境和传感器可能引起的异常误差, 通
A M ethod of Selective Endm ember for P ixel Unm ixing
CONG H ao, ZHANG L iang-pe,i L I P ing-x iang
(S ta te K ey Labora tory of Inform ation E ng ineering in Surveying, M app ing and R em ote S ensing, W uhan 430079)
基金项目: 国家自然科学基金项目 ( 40471088, 40523005) ; 国家 / 9730计划项目 ( 2006CB701302) 收稿日期: 2005-05-26; 改回日期: 2005-09-02 第一作者简介: 丛浩 ( 1980~ ) , 男。武汉大学测绘遥感信息工程国家重点 实验室硕 士研究生。主 要研究方 向为高光 谱遥感图 像处理、土 地利用等。 E-m ai:l conghao009@ hotma i.l com
3 端元可变的混合像元分解
传统的线性分解对每个像元采用统一的标准,
即 M 是固定不变的。但实际上, 不同的混合像元包 含端元的个数及类别是可变的。因此, 为了取得更 好的分解效果, 对 每个像元采用 不同的 M 是可取
的。具体对某一个像素而言, 如何确定它的组分矩 阵 M c是分解的关键。此处 M c显然是 M 的子集。
n
E xj = 1 xj \ 0
j= 1
式 ( 1)又可表示为
Q= M x + e
( 2)
M 是 m 行 n 列的矩阵, 它的列是 n 个端元的光谱 矢量。
由最小二乘法, 可以得到:
x= (M TM )- 1M T Q
( 3)
x是 n 行 1列的矩阵, 它的列是 n 个端元在混合像
元 Q中的百分含量。
过像元间的空间关系对端元进行再次调整。首先, 与像元光谱矢量最接近的端元应该入选。其次, 地
物在空间上表现一定的聚集性, 相邻的像元很可能
包含同一种地物, 并且可能具 有完全相同的组 分。
对混合像元光谱 R t 进行端元光谱信息的判断和选 择操作, 这样, 每一类端元对 R t 的反射率表现一定 的贡献, 并且赋予不同的权重来表示贡献大小。比
根据混合像元的光谱响应特性, 在确定 M c的过 程中, 要保证与 像元光谱 R t 相似 程度较高的端元 (组分 )光谱 R r 入选。首先将 R t、R r 归一化, 然后 R t 对 R r 进行投影, 以比 较它们之间的相似性或差异 性, 投影表达式为